1. 研究目的与意义
金融行业是现代经济的核心，其良好运行是经济建设和社会发展的重要保障，随着现代金融越来越技术化，其研究和实践需要借助复杂的数学工具，如股票预测，投资组合和风险管理等问题，可以通过智能优化算法得到有效的解决.
智能优化算法又称现代启发式算法，是一类具有全局优化性能、通用性强且适合于并行处理的算法.这种算法一般具有严密的理论依据，而不是单纯凭借专家经验，理论上可以在一定的时间内找到最优解或近似最优解.
在实际的金融优化应用问题中，往往遇到多目标优化问题，同时具有多个约束条件，智能优化算法在金融领域的应用有值得深入了解的地方.2. 研究内容和预期目标
| 本文主要对金融领域中的风险管理问题及智能优化算法进行了研究
1.绪论，介绍研究背景及意义，包括智能优化算法研究概况，风险管理问题的研究概况及智能优化算法在投资组合和资产配置问题中的应用. 2.对金融领域中的风险管理问题进行详细的介绍，包括其概念，分类，目标，步骤等.并介绍Var模型及其在金融风险管理中的应用. 3.对智能优化算法进行了简要的介绍，然后详细介绍其中的神经网络优化算法和粒子群算法的算法原理，算法流程和算法特点. 4.将智能优化算法应用于风险管理，投资组合问题，根据实际问题，首先通过数值方法进行问题的求解，再通过智能优化算法来进行估计，通过较多的实验进行比较，得出结论. 5.结论及对未来的展望
关键问题： 1.VaR模型应用中需要进行一系列相关的假设，而这会削弱其在现实生活中的适用性，在实际操作上易出现偏差. 2.VaR模型应用中会出现风险隐患问题，金融风险估算中要合理选取、验证对应的统计量，要深化把握金融市场运行中价格极端变动情况，本课题的目标就是寻找适用于风险管理问题的智能优化算法. |
3. 国内外研究现状
| 1.智能优化算法 智能优化算法是近年发展起来的一个非常活跃的研究领域，对解决各类复杂的优化问题有很强的适应性，因此，用智能优化算法来解决传统优化算法难以解决的问题成为了研究的重点，遗传算法，模拟退火算法，神经网络优化算法，蚁群算法，粒子群算法，差分进化算法等在国民经济的各个领域得到了应用. 模拟退火算法的思想最早是由Metropolis (1953) 提出的, 1983年Kirkpatrick等人将其应用于组合优化。遗传算法是一类模拟生物界自然选择、自然遗传机制和进化过程而形成的一种具有自适应能力的、全局性的随机化搜索算法, 它是由美国Michigan大学的J.Holland教授于1975年首先提出的. 神经网络是模拟生物神经网络的组织结构和运行机制的一种工程系统，通过模拟人脑的思维, 利用已知样本对网络进行训练.人工蚁群算法是受到对真实蚁群行为的研究的启发, 由意大利学者M.Dorigo等人于1991年首先提出的, 它是一种基于蚁群的模拟进化算法, 属于随机搜索算法.粒子群优化算法是一种进化算法, 最早是由Kenney与Eberhart于1995年提出的.最早的PSO是模拟鸟群觅食行为而发展起来的一种基于群体协作的随机搜索算法. 在国内，薛菲系统地从性能分析、理论分析、算子设计、算法融合、知识学习、多目标优化等方面进行研究，并将蝙蝠算法应用在生物信息学、无线传感器网络等多个工程问题中(2016). 王银针对航天器实时在线轨迹优化的需求,将神经网络动态优化方法应用于航天器再入轨迹优化中(2018).
2.风险管理 风险存在于大多数金融活动中，一个微小的决策可能有不同的结果，公司或企业不可能完全规避风险，因此要学会如何管理风险. 1952年，美国学者Lager首先在《费用控制的新时期—风险管理》中使用“风险管理”一词， 1964年Williams和Hans发表《风险管理与保险》一文后，金融界和数学界对风险管理的研究逐步趋向系统化，专业化. Andrew Verstein提出通过技术与金融方面的创新，P2P这一网络借贷方式成功地将借款方与投资方进行了连接，研究了该平台上的监管问题(2012).Wolfsburg Group站在支付业自律的立场上，提出了有关其风险的特征与行业自律方面的具体要求(2013). 我国于上世纪80年代开始研究这个问题，袁宗蔚通过《保险学》为其赋予相关定义，即涵盖识别风险，衡量风险，积极管理风险，有效处理风险，妥善处理风险所引发的亏损等一套合理，完善的管理手段.闵国斌基于国际金融风险监管理论及国内农村金融风险监管方面的研究,提出了一个包含风险防范机制、风险预警机制及风险救援机制的风险控制框架(2012).云佳祺对互联网金融发展、风险成因、风险传导、风险类型识别、风险评估、风险预警、风险防范、风险处置和金融监管等构造的风险管理体系进行了全面的理论及实证分析(2017). |
4. 计划与进度安排
2022.12.01～2022.12.11
收集整理相关文献资料，初步构建论文框架，确定论文题目；完成开题报告。
2022.12.12～2022.01.31
5. 参考文献
|
[1]刘锐.智能优化算法研究及其在金融领域的应用[D].吉林大学.2020 [2]李雅丽,王淑琴,陈倩茹,王小钢.若干新型群智能优化算法的对比研究[J].计算机工程与应用,2020,56(22):1-12. [3]吴春梅.现代智能优化算法的研究综述[J].科技信息,2012(08):31 33. [4]许德刚,赵萍.蝙蝠算法研究及应用综述[J].计算机工程与应用,2019,55(15):1-12 31. [5]徐浩天,季伟东,孙小晴,罗强.基于正态分布衰减惯性权重的粒子群优化算法[J].深圳大学学报(理工版),2020,37(02):208-213. [6]赵霞. 基于智能优化算法的期权定价模型参数估计[D].江南大学,2011. [7]江贺, 面向复杂优化问题的智能算法. 辽宁省,大连理工大学,2014-01-16. [8], 基于混沌与复杂网络的群体智能优化新模型与算法研究. 北京市,北京邮电大学,2018-01-01. [9]卢贵珍,梁晨.试析VaR模型及其在金融风险管理中的应用[J].中外企业家,2019(27):48-49. [10]云佳祺. 互联网金融风险管理研究[D].中国社会科学院研究生院,2017. [11]闵国斌. 民间金融风险管理体系研究[D].浙江师范大学,2012. [12]薛菲. 基于蝙蝠算法的启发式智能优化研究与应用[D].北京工业大学,2016. [13]基于多目标智能优化算法的轨迹优化问题研究. 山西省,太原科技大学,2018-12-01. [14]张琳.企业金融风险管理问题探讨[J].财会学习,2020(33):156-157. [15]罗扬. 我国P2P网络借贷的风险管理体系的构建[D].浙江理工大学,2014. [16]Michael Dempsey. Financial Risk Managementand Derivative Instruments. 2021, [17]Russell-Jones Mark. Financial riskmanagement: Derivatives. 2014, 66(2):81-84. [18]ANDERSON NAMUNTHIMBA, JAGONGO AMBROSE. Financial Risk Management Strategies Employed byLicensed Deposit Taking Saccos in Nairobi County. 2015, 8(0):5-13.
|
课题毕业论文、文献综述、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
